LinkedIn замораживает вычислительные мощности: год без расширения дата-центров

O LinkedIn não vai expandir seus data centers no próximo ano e manterá sua capacidade computacional no nível atual — na contramão do boom de inteligência artificial. Em vez de comprar novos equipamentos, a empresa está exigindo que os engenheiros usem cada GPU já existente com mais eficiência. A informação é da Wired.

O que exatamente o LinkedIn decidiu

O LinkedIn congelou sua capacidade computacional no nível atual: nos próximos 12 meses, a empresa não planeja expandir seus data centers nem ampliar sua frota de aceleradores. O crescimento da infraestrutura é colocado em pausa justamente no momento em que quase todo o setor o está acelerando.

A decisão não foi tomada por causa de uma queda na demanda, mas como uma estratégia deliberada. Segundo a Wired, em vez de gastos de capital com novos servidores, o LinkedIn aposta na eficiência — exigindo que as equipes extraiam o máximo das GPUs já instaladas.

• A capacidade computacional é congelada por cerca de um ano — sem expansão de data centers
• A frota de GPUs permanece no nível atual, sem novas compras de grande porte planejadas
• O motivo não é uma desaceleração, mas uma aposta deliberada na eficiência apesar do boom de IA
• O LinkedIn pertence à Microsoft — uma das maiores investidoras em infraestrutura de IA
• A fonte dos dados é uma reportagem da Wired

Por que a empresa não está ampliando o hardware

O LinkedIn escolhe eficiência em vez de gastos de capital: em vez de comprar novos aceleradores para suas funções de IA em crescimento, a empresa otimiza o uso dos que já estão instalados em seus data centers. A lógica é simples — cada GPU deve gerar o máximo de valor antes que a compra da próxima seja justificada. No setor, esse modo é chamado de "fazer mais com menos", e para as equipes de IA isso significa competir por um pool de computação limitado, não em expansão.

Essa abordagem vai contra a tendência geral. Enquanto as maiores empresas de tecnologia e provedores de nuvem investem somas recordes em data centers e infraestrutura de IA, o LinkedIn mantém deliberadamente estáveis seus gastos com computação. Para uma plataforma que está incorporando IA generativa ao feed, à busca e às recomendações, a escolha não é trivial: a demanda por computação cresce, mas a capacidade, não.

O contraste é reforçado pela controladora. O LinkedIn pertence à Microsoft desde 2016, que, ao contrário, anunciou cerca de 80 bilhões de dólares em investimentos de capital em data centers de IA para o ano fiscal de 2025. Nesse contexto, a decisão da plataforma subsidiária de manter sua própria capacidade inalterada parece um contramovimento deliberado: nem todo nó do ecossistema é obrigado a participar da corrida por hardware.

"O

LinkedIn está segurando a linha nos gastos com computação e desafiando os engenheiros a fazer cada GPU trabalhar com desempenho máximo", é assim que a Wired resume a essência da estratégia.

O que muda para os engenheiros

A maior parte da carga recai sobre as equipes de engenharia: já que não haverá novas GPUs, todo o crescimento das funções de IA terá que vir da otimização. Na prática, isso significa uma utilização mais densa dos aceleradores, ajuste fino dos modelos ao hardware disponível e priorização rígida das tarefas que realmente geram valor.

Não se trata de funções secundárias: o LinkedIn incorpora IA generativa a assistentes para recrutadores, sugestões na hora de escrever posts e personalização do feed para mais de 1 bilhão de usuários registrados. Atender uma demanda de IA dessa escala com uma frota fixa de GPUs é exatamente a tarefa proposta aos engenheiros.

Na prática, o LinkedIn transforma uma limitação em um desafio de engenharia. Em vez do costumeiro "vamos comprar mais capacidade", as equipes precisam encontrar onde a computação está sendo desperdiçada e reescrever os pipelines para que o mesmo resultado seja alcançado com menos horas de GPU.

O que isso significa

A estratégia do LinkedIn é um sinal de que, mesmo em plena corrida de IA, grandes players estão dispostos a apostar na eficiência, não apenas na escala. Se o modelo de "capacidade fixa mais otimização" funcionar, ele se tornará um argumento de peso contra a corrida infinita de gastos de capital em data centers — e um exemplo para outras empresas cujo orçamento não permite comprar GPUs indefinidamente.